Kostenlose Maschinelles Lernen-Labs

Supervised learning. Wenn Sie diesen Begriff zum ersten Mal hören oder lesen, kann es Ihnen völlig unklar sein, was er bedeutet. Machen Sie sich keine Sorgen. In diesem Lab werden Sie einen umfassenden Überblick über supervised learning erhalten; und im nächsten Kapitel des Experiments werden Sie lernen, supervised learning zu verwenden, um Datenvorhersagen durchzuführen.

Lineare Regression ist eine relativ einfache, aber wichtige Methode der maschinellen Lernmethode. Das Beherrschen des Prinzips der Linearität und seiner Lösungsmethoden ist eine der grundlegenden Anforderungen bei der Behandlung der linearen Regression. Darüber hinaus ist die lineare Regression auch der Eckpfeiler der überwachten Lernregression. Wir hoffen, dass Sie durch dieses Experiment einige wichtige Konzepte der maschinellen Lernmethode verstehen können.

Im Kapitel zur linearen Regression haben wir die Codeimplementierung im Detail anhand des Beispiels der Immobilienpreise in Boston besprochen. In dieser Herausforderung müssen Sie die aus der linearen Regression gewonnenen relevanten Kenntnisse nutzen, um die Immobilienpreise in Peking vorherzusagen.

Die logistische Regression ist eine sehr einfache Klassifizierungsmethode in der Maschinellen Lernen. Dank ihrer Einfachheit und Effizienz wird der Algorithmus in praktischen Szenarien weit verbreitet eingesetzt. In diesem Kurs werden wir das Prinzip der logistischen Regression und deren Algorithmusimplementierung untersuchen und mithilfe von scikit-learn ein logistisches Regressionsklassifizierungsmodel aufbauen.

Unter den Klassifizierungsprädikationen gibt es wenige Algorithmen, die auf Wahrscheinlichkeitstheorie basieren. Naive Bayes ist einer davon. Der naive Bayes-Algorithmus ist einfach umzusetzen und die Effizienz der prädiktiven Klassifizierung ist sehr hoch. Im Allgemeinen ist naive Bayes ein sehr üblicher Algorithmus. In diesem Kapitel wird hauptsächlich der Grundsatz des naive Bayes-Algorithmus aus dem Bayes'schen Theorem und der Parameterabschätzung erklärt und mit Daten kombiniert, um ihn umzusetzen. Schließlich werden wir eine praktische Anwendung vorstellen.

Wir haben lineare Regression mit drei Methoden implementiert. In dieser Aufgabe müssen Sie die polynomiale Regressionsanpassung mit TensorFlow vervollständigen und die Anpassungskurve zeichnen.

Lineare Regression ist das einfachste Problem in der Maschinellen Lernen. Gleichzeitig ist die lineare Regression eng mit künstlichen neuronalen Netzen verwandt. In diesem Lab-Kurs werden wir die lineare Regression mithilfe der von TensorFlow 2 bereitgestellten API implementieren.

Wir haben die lineare Regression als Beispiel genommen, um die neuen Änderungen und Funktionen von TensorFlow 2 zu demonstrieren. Tatsächlich spielt die wichtigere Rolle von Deep-Learning-Frameworks wie TensorFlow darin, künstliche neuronale Netze aufzubauen. Daher wird in diesem Experiment TensorFlow 2 verwendet, um ein einfaches Feedforward-Neuralnetz zu erstellen.

Ein gesamter Prozess des Deep Learnings besteht aus vier Schritten: Modelltraining, Modellbewertung, Modellspeicherung und Modellimplementierung. Tatsächlich konzentrieren sich alle Inhalte, die wir zuvor erwähnt haben, auf die ersten beiden Schritte. In diesem Lab-Kurs lernen wir, wie wir Modelle in TensorFlow 2 speichern und wiederherstellen.

In den vergangenen zwei Wochen des Kurses haben wir gelernt, was das supervisierte Lernen ist und wie sich verschiedene Methoden des supervisierten Lernens unterscheiden. In der kommenden Woche werden Sie das unüberwachte Lernen vollständig verstehen und lernen, das unüberwachte Lernen zur Durchführung von Datengruppenbildung zu verwenden.

Wir haben die Verwendung von TensorFlow vorgestellt. Sie sollten mit den Begriffen Tensor, Sitzung und Rechengraphen vertraut sein. In dieser Herausforderung werden wir versuchen, eine mehrschichtige neuronale Netzwerkstruktur mit TensorFlow zu erstellen. Machen Sie sich keine Sorgen; hierbei handelt es sich nicht um ein tiefes neuronales Netzwerk, und der Fokus liegt auf der Vertrautmachung mit der Verwendung von TensorFlow.

Wir sind uns mit den in der überwachten Lernmethode bei der Regression und Klassifizierung üblichen Algorithmen vertraut gemacht. Als nächstes führen wir Sie zum Lernen der unsupervised learning: Clustering. In diesem Experiment erklären wir zunächst die am häufigsten verwendete centroid-basierte Clustering-Methode und führen dann das repräsentativste K-Means-Algorithmus und andere Mitglieder der Familie im Detail ein.

Wir haben gelernt, wie man neuronale Netze mit TensorFlow baut, und haben gezeigt, wie man die niedrigstebene APIs und Keras von TensorFlow verwendet. In diesem Herausforderungskurs müssen Sie die Konstruktion eines einfachen neuronale Netzes unabhängig absolvieren.

Wir haben bereits gelernt, wie man TensorFlow verwendet, um lineare Regression zu implementieren und ein einfaches neuronales Netzwerk zu bauen. In diesem Lab-Kurs werden wir uns auf den Aufbau von tieferen neuronalen Netzen konzentrieren und als Beispiel die klassische Struktur von konvolutionalen neuronalen Netzen, VGG, wählen, um die Fashion-MNIST-Klassifizierungaufgabe zu lösen. Darüber hinaus wird uns der Kurs auch beibringen, wie man prätrainierten Modellen für Transfer Learning verwendet.

Ab diesem Kapitel beginnen wir die Reise durch das Deep Learning. Der Schlüssel zum Deep Learning liegt in der Konstruktion von tiefen neuronalen Netzen. Wenn Sie ein eigenes tiefes neuronales Netz von Grund auf bauen, ist der Prozess sehr kompliziert. Um das Deep Learning-Modell daher einfacher umzusetzen, müssen wir die Verwendung einiger gängiger Frameworks studieren. Derzeit sind in der Deep Learning-Community die beliebteren Frameworks TensorFlow, Keras, PyTorch etc., jeder mit seinen eigenen einzigartigen Merkmalen. Dank der Unterstützung von Google und der Aktivität der großen Entwicklergemeinschaft ist TensorFlow eine zuverlässige Plattform und aktualisiert sich recht häufig. Das Studium der Verwendung von TensorFlow wird Ihnen helfen, Deep Learning-Modelle bequem zu bauen.